logo资料库

考虑储能容量约束的电动汽车与风电的协调调度.pdf

发布时间：2022-05-30 发布人：admin 分类：说明书 资料大小：0.44M 资料格式：pdf 举报 版权申诉
第1页 / 共10页
第2页 / 共10页
第3页 / 共10页
第4页 / 共10页
第5页 / 共10页
第6页 / 共10页
第7页 / 共10页
第8页 / 共10页
资料共10页，剩余部分请下载后查看
    5 10 15 20 25 30 35 40 中国科技论文在线 http://www.paper.edu.cn 考虑储能容量约束的电动汽车与风电的协 调调度# 邵成成，王锡凡，王秀丽，杜超，张永青** （电力设备电气绝缘国家重点实验室（西安交通大学），西安 710049） 摘要：风电大规模并网给电力系统运行带来巨大挑战。电动汽车充电控制等形式的负荷调度 为问题的解决提供了新的思路，得到了研究人员关注。与现有研究不同，本文以电动汽车聚 集体建模为基础，分析了其储存能量变化的动态过程，考虑电池容量约束，结合风电的概率 性预测建立了含电动汽车和风电的电力系统日前调度模型。通过 IEEE-RTS 系统算例计算证 实了 V2G 控制提升常规机组运行效率、促进风电吸纳的效益和考虑电池储能容量约束的必 要性，并对影响储能越限的因素进行了分析。 关键词：电力系统及其自动化；负荷调度；电动汽车聚集体；风电概率性预测；机组组合； 电池储能容量约束；V2G 控制 中图分类号：TM73 Cooperative Dispatch of Electric Vehicles Considering Battery Storage Capacity Constraints with Wind Power SHAO Chengcheng, WANG Xifan, WANG Xiuli, DU Chao, ZHANG Yongqing (State Key Laboratory of Electrical Insulation and Power Equipment(Xi'an Jiaotong University), Xi’an 710049) Abstract: With the integration of large-scale wind power, the power system operation witnesses a great challenge due to the intermittency of wind. Load dispatch such electric vehicles (EVs) Vehicle-to-Grid (V2G) control brings some light on this problem. In contrast to much existing research, we paid special attention to the dynamic process of energy stored in batteries and took the battery capacity constraint into consideration. On the basis of EV aggregator model and probabilistic wind power forecast, we proposed a security constrained unit commitment(SCUC) model considering the cooperative dispatch of EVs with wind power. It is verified in the case study carried on the IEEE-RTS that V2G can not only improve the efficiency of common units but also promote the integration of wind power and it is necessary to include battery capacity constraints. We also analyzed factors which influence the storage violation via the case study. Keywords: power systems and its automation; load dispatch; EV aggregator; probabilistic wind power forecast; unit commitment; battery storage capacity constraints; V2G control 0 引言 风能储量丰富，风力发电成为近年来增长最为迅速的可再生能源发电形式，在缓解能源 危机、控制环境污染方面发挥了重要作用。但因其随机性、波动性，风电的大规模并网给电 力系统运行的带来诸多挑战：系统通常需要配备足够的备用容量，频繁改变机组运行状态、 调整发电机组出力，这会使其他机组运行成本增加[1]。负荷调度概念的提出为此问题的解决 提供了新的思路[2]，它通过调度可控负荷追踪发电机特别是可再生能源发电机出力，对传统 的发电调度形成有力补充，可以促进系统平衡，保证常规机组高效运行。 电动汽车装配有蓄电池，空闲时间高达 96%，不仅可以灵活选取充电时间，而且可以 通过 V2G（Vehicle-to-Grid）在必要时向电网馈送电能、支撑电网运行[3,4]，是一类重要的可 基金项目：高等学校博士学科点专项科研基金资助项目(20100201110022) 作者简介：邵成成， (1989-)，男，博士研究生，研究方向为可再生能源并网运行与智能电网。 通信联系人：王秀丽，（1961-），女，教授、博士生导师，从事电力系统分析、电力市场以及电力系统可 靠性分析等领域的研究工作。E-mail: xiuliw@mail.xjtu.edu.cn - 1 -
    45 50 55 60 65 中国科技论文在线 http://www.paper.edu.cn 调度负荷。近年来电动汽车的普及为负荷调度创造了有利条件；电动汽车的充电控制问题， 特别是其与风电场协调运行的可能性获得了研究人员的广泛关注[3-6]。文献[3][4]综述了 V2G 控制的效益，认为电动汽车不仅能够为电网提供备用、调频等辅助服务，而且能够促进可再 生能源吸纳、支撑电网运行。文献[7]考虑了风电出力和用户充电的随机性，分析了利用充 电控制跟踪风电出力的可能性。文献[8-9]也初步分析、探讨了风电与电动汽车协调运行的效 益。与以上研究中定性分析为主、约束条件宽松不同的是，文献[10]将电动汽车 V2G 控制 引入机组组合模型。文献[11][12]则在机组组合模型中同时考虑了风电和电动汽车，分析了 合理安排电动汽车充放电时间、利用电动汽车储能在支撑风电并网运行方面的作用。 最大充放电功率和储能容量是电池的重要物理参数，同时表征着电动汽车为系统提供可 调度资源的规模。最大充放电功率反映了电动汽车瞬时可提供的功率支持，储能容量则标志 着其一定时段内总体的调节限度。现有研究 [10-12]中较为详细地考虑了运行中的电力系统约 束和电动汽车充放电功率约束，但忽略了电动汽车电池的储能容量约束。这种忽视可能会影 响充放电负荷日前调度方案的可实现性，也可能会影响我们对充放电控制效益的认识和评 估，使我们高估它在支撑可再生能源并网、降低系统生产成本等方面发挥的作用。 本文将以电动汽车聚集体建模为基础，详细分析电动汽车储存能量变化的动态过程，考 虑储能容量约束，结合风电功率的概率性预测建立考虑电动汽车和风电协调的电力系统日前 调度模型，分析 V2G 控制效益，阐明考虑储能容量约束的必要性，并对影响储能越限的因 素进行分析。 1 电动汽车聚集体及风电出力模型 1.1 电动汽车聚集体模型 电动汽车数量庞大，区域电力系统层面的充电负荷调度中无法详细考虑每一辆电动汽车 的控制过程，因而需对电动汽车聚集体（EV aggregators）进行整体建模。充电需求和设备 特性是 V2G 控制必须满足的基本约束，也是聚集体建模中需考虑的基本特性。充电需求与 用户出行需求相关，受用户使用习惯、电动汽车数量以及充电设施等诸多因素影响，特性复 杂，通常采用 Monte Carlo 方法进行模拟[13-14]。设备特性取决于电池、充放电设施等设备本 身，主要指电池的最大充放电功率和储能容量。 设 Nplugi(t)表示 t 时刻第 i 个电动汽车聚集体并网电动汽车的数量，则其储能容量和最 70 大充放电功率可以分别表示为： max E i t ( ) max pch i t ( ) Nplug t ( ) i = ∑ j 1 = Nplug t ( ) i = ∑ j 1 = max E i j , max pch i j , (1) (2) 式中 max ,i jE 、 max ,i j pch 分别为第 i 个聚集体处第 j 辆电动汽车的储能容量和最大允许充放电 功率。 75 现有的研究[10-12]中仅关注聚集体的最大充放电功率（即式(2)）和周期内的储能平衡： η c T ∑ t 1 = pch t ( ) i t Δ − T ∑ t 1 = disp t ( ) i t Δ = T ∑ t 1 = Econs t ( ) i (3) 式中 pchi(t)、dispi(t) 和 Econsi(t)分别表示 t 时刻第 i 个聚集体的充电功率、放电功率和 能量消耗； cη 表示充电效率； tΔ 表示时间间隔，本文中取为 1h，并在后文的叙述中略去。 - 2 -
    中国科技论文在线 http://www.paper.edu.cn 考虑电池规格化生产和模型简化的要求，认为所有电动汽车充电效率一致。 80 由于忽视储能容量的限制，长时间、大功率的充电有可能造成储能越限（如式(4)所示）， 危及电池使用寿命，使充放电调度方案不可行。 max t E ( ) i E t ( ) i > 式中 Ei(t)分别 t 时刻第 i 个聚集体储存的电能。 为计及储能容量约束，本文将详细考虑 Ei(t)的动态变化过程。考虑用户出行，并网电动 (4) 汽车数量 Nplugi(t)有如下动态过程： (5) 式中 Nleavei(t)和 Narrivei(t)分别表示 t 时刻驶离和接入聚集体 i 的电动汽车数量。假定 Narrvie t ( ) Nleave t ( ) Nplug t ( ) Nplug t ( 1) + = − + i i i i 电动汽车并网点充足，电动汽车结束出行后能够立即并网，则有： 式中，td、 min dt 和 max = Narrive t ( ) (6) dt 分别表示电动汽车行驶时间及其最小值、最大值；f(td)表示 td 的概 Nleave t ( f t dt ) ( ∫ − ) t d d d i t max t d min d 85 90 率密度函数。假定电动汽车以恒定速率行驶则有： Narrive t ( ) = dt d max min ∫ d = d v / Nleave t ( − d v f d dd ) ( ) (7) (8) 式中 d、dmin、dmax 和 f(d)分别表示电动汽车出行距离及其最小值、最大值和概率密度函 95 数。 与并网电动汽车数量的动态过程不同，储存电能的动态过程不仅与用户出行有关，而且 受充放电过程影响： 1) (9) 式中 Eleavei(t)和 Earrivei(t)表示离开和抵达聚集体时贮存的能量。用户出行前要求电动 Earrive t ( ) Eleave t ( ) disp t ( ) pch t ( ) E t ( ) i + = E t ( i η c + − − + i i i i 100 汽车充满电或达到特定的储能水平，有： Eleave t ( ) i ( ) Nleave t i = ∑ j 1 = max kE , i j (10) 式中 k 表示用户要求的储能水平，k=1 表示在出行时电动汽车充满电。设电动汽车行驶 单位距离的能耗为 m,结合式(8)，有： 105 d v 由上式可得，各时段电动汽车行驶耗能 Econsi(t)为： Earrive t ( ) i Eleave t ( i Nleave t ( d ∫ max mind d v = − − − ) [ md f d dd ) ] ( ) Econs t ( ) i = d d ∫ max min Nleave t ( − d v mdf d dd ) ( ) (11) (12) 上述各式描述了并网电动汽车储存能量的变化过程，构成了电动汽车聚集体的模型，为 调度中考虑电动汽车的约束条件奠定了基础。若已知电动汽车出行时间、行驶距离以及种类 类型的概率分布及相关参数，则可以方便地获得 Nleavei(t)并根据上述各式计算得到其他量。 电动汽车替代常规车辆后不会改变人们的出行需求和出行特征，可以根据用户出行统计 数据获得用户出行时间和行驶距离的概率分布，将式(8)、(11)离散化，按照图 1 所示的流程 对用户出行进行模拟，借助 Monte Carlo 方法可以确定 max ( ) t 、Eleavei(t)和 Earrivei(t)等电动汽车聚集体参数。尽管用户出行具有随机性，但考虑到系统中电动汽车数 量众多，根据大数定律可知，通过这种模拟获得的用户总体的出行行为能够反映大量用户的 出行情况，具有较高的可信度。 t 、 max ( ) ipch iE 110 115 - 3 -
    中国科技论文在线 http://www.paper.edu.cn 为描述传统研究中电动汽车储能越限的程度，我们引入如下指标： 1）越限率 RCV RCV = × 100% (13) TCV 为越限次数，当 max E i 每个聚集体节点每时段调度一次。 E t ( ) i > t ( ) 时，记储能越限发生 1 次。TD 为电动汽车调度次数， TCV TD 2)越限电量 CEV CVE = ∑ i t , [ E t ( ) i − max E i t E t ( )][ ( ) i > max E i t ( )] 3)电量越限系数 CECVi,t CECV i t , = E E t max ( ) − i i t E max ( ) i t ( ) × 100% (14) (15) 120 125 RCV 从储能越限发生次数和频率的角度描述了越限的严重程度，后两项指标则依据超 出储能容量的电量多少描述了越限的严重程度。 130 图 1 电动汽车聚集体建模流程 Fig.1 Model of EV aggregators 1.2 风电场出力随机性与波动性的调整模型 如何考虑风电出力的随机性并计及功率预测的影响是风电场建模需要考虑的主要问题。 文献[15]中提出了一种基于风电功率概率性预测的机组组合模型，通过增加系统备用的方法 考虑风电随机性的影响。概率性的功率预测可以给出预测功率的概率分布，风电随机性的程 - 4 -
    中国科技论文在线 135 度可以借助预测功率的概率分布表示。 http://www.paper.edu.cn 为分析风电波动性的影响，通过如下处理人为地调整风电出力波动性： ( wi j t − + = ' ( ) wi 12.5) W t W t ( ) 式中 avWwi 为一天中风电出力的平均值，kwp 为峰谷差调整系数， ' ( ) (16) wiW t 为调整后的风电 出力，jt 为一日内各小时风电出力按从小到大顺序排列后 t 时刻风电出力的位次。经上式处 理，当 kwp>0 时，风电出力最大值进一步增加，最小值进一步降低，在保持发出电能恒定的 同时，风电波动性增强；当 kwp<0 时风电出力波动性减弱。 k avW wp wi 140 借助风电功率预测的分布参数和峰谷差调节系数，可以方便地调整风电出力随机性和波 动性水平，分析其对日前调度特别是充放电控制的影响。 2 考虑风电、电动汽车的 SCUC 模型 145 2.1 目标函数型 考虑安全约束的机组组合问题（SCUC）是电力系统优化调度的基本模型。与传统 SCUC 问题一致，此处的目标函数是使常规机组的燃料成本和启停成本最小： min T ∑∑ t 1 = gi u F P [ ( gi t , gi gi t , ) + S u gi gi t , (1 − u − gi t , 1 )] (17) 式中 Fgi 为机组的发电成本函数，Sgi 为机组的启停成本，为简化计算此处取为常数；ugi,t 为 t 时刻第 gi 台机组的启停状态；Pgi,t,为其发电功率。 c + F P gi gi t , a P 2 gi gi t , b P gi = + gi t , ) ( gi (18) 2.2 系统约束条件 在 SCUC 问题的框架下，系统约束条件主要包括功率平衡、旋转备用、传输容量限制 等方面，考虑风电场和电动汽车时作局部调整即可。 1） 节点功率平衡 采用直流潮流方程，节点功率平衡方程为： pch t ( ) η + d RW P Li t , P gi t , − + − wi t , i ∑ gi i ∈ ∑ wi i ∈ 假定相同节点处电动汽车从属于一个聚集体,式中 Bij 为支路导纳参数，PLi,t 为 t 时刻节点 i 处的负荷值，RWi,t 为 t 时刻节点 i 处电网吸纳的风电功率， ,i tθ 为节点的相角， dη 为电动汽 车的放电效率。 disp t ( ) i = ∑ j i ∈ B θ j t ij , (17) 150 155 160 2）旋转备用约束 不考虑电动汽车为电网提供旋转备用时，有： OR W Pr max P gi t , − − ∑ gi ≥ 0 (18) 式中 Prgi,t 表示 t 时刻机组 gi 可以提供旋转备用的容量，Pmax 表示系统中容量最大机组的容 量，ORW 则表示由于风电出力随机性而产生的备用需求。参照文献[15]，可得： 165 OR W = ( ∑ wi RW wi t , − W α= wi t , 0.95 ) (19) ,wi tW α= 表示预测风电功率的 0.95 分位数。在紧急状况下，电动汽车可以快速终止充电、 式中 0.95 以最大功率向电网放电，为电网提供功率支撑。考虑电动汽车的备用作用时，有： Pr gi t , + ∑ gi ∑ i max pch i ( ) t η d − ∑ i 170 3）线路传输容量约束 disp t ( ) η d i + ∑ i pch t ( ) i − P max − OR W ≥ 0 (20) - 5 -
    中国科技论文在线 P ij t , = B ij http://www.paper.edu.cn ) ≤ P max ij (21) ( θ θ i t , − j t , 式中 Pij,t 和 max ijP 分别表示节点 i 与节点 j 之间的线路 t 时段传输的功率和传输容量。 2.3 机组约束条件 常规机组的约束类似一般 SCUC 问题： gi t , (22) (23) (24) giPr 表示机组 gi 的最大、最小出力和提供备用容量的最大值。不再赘述 P≤ gi t , max P u ≤ gi t gi , max Pr≤ gi P u min gi Pr + Pr P gi t , gi t , ,gi t giP 、 min 式中 max 机组持续开关机时间和爬坡等约束。 giP 和 max 对于风电场而言，需满足以下约束： (25) ,i tW α= 表示预测风电功率的 0.5 分位数，在对称分布中对应预测功率的期望值。上式要 RW W α= i t , ≤ i t , 0.5 式中 0.5 求 t 时刻系统吸纳的风电功率小于风电功率预测的期望值。 2.4 电动汽车聚集体约束条件 在充电负荷调度中，电动汽车聚集体首先要满足充放电功率的限制： t ( ) t ( ) 聚集体储存的能量不能超过储能容量，因而有： pch t ( ) disp t ( ) max pch i max pch i ≤ ≤ ≤ ≤ 0 0 i i (26) (27) (28) 同时，储存能量应能满足用户出行需求，兼顾电池寿命要求，需保持一定水平的储能， E t ( ) i ≤ max E i t ( ) 有： 式中 kmin 表征了电池最小储能水平限制,常取 kmin=0.2，此时式(10)中 k 调整为 0.8。 式(9)、(10)和(26)-(29)构成了时变性的电池储能容量约束，相关参数可按照本文第 1 部 i max k E i min t ( ) + Eleave t ( ) ≤ E t ( ) i (29) 175 180 185 190 195 分中的方法获得。 上述模型属于混合整数非线性规划问题，直接求解比较困难，本文采用分步求解的方法 [16]。首先，对模型进行线性化得到一个混合整数线性规划（MILP）模型，确定整数变量； 进而求解二次优化问题，确定连续变量的取值。本文采用 GAMS 求解模型，MILP 问题采用 Cplex 求解器，二次规划问题采用 Minos 求解器[17]。 3 算例分析 3.1 算例介绍 以 IEEE-RTS1979 [18-19]为例进行分析，用装机 960MW 的风电代替原系统中装机 300MW 的水电(容量置信度约为 30%)。假定风电功率预测值服从正态分布，其期望值选用我国西北 某风电场的日出力统计数据，按照装机容量等比例扩大；在基础算例中，取标准差为期望值 的 20%。图 2 给出了 kwp=-0.02、0 和 0.02 时风电功率期望曲线(kwp=0 时即为原始的风电出力 数据)；风电平均功率为 491.1MW，最大功率为 672.6MW，约占系统最大负荷的 23.6%。 200 205 - 6 -
    中国科技论文在线 http://www.paper.edu.cn 图 2 不同 kwp下的风电出力期望 Fig.2 Expectations of wind power with different kwp 210 215 220 225 230 235 240 假定电动汽车数量为 10.1 万辆（以西安市 4500MW/160 万辆机动车进行等比例折算， 电动汽车占车辆的 10%），出行统计数据来自文献[20]，出行特征的分布参见文献[14]。为 方便分析，假定所有电动汽车类型一致，最大充放电功率为 6.4kW，储能容量为 20kWh。 假定各节点电动汽车分布比例与负荷一致。按照图 1 所示流程进行充电需求模拟，得到模型 中所需的参数。模拟得出电动汽车日消耗电能 1279.2MWh。 就以下情形进行分析：1）Case I，不考虑 V2G 控制；2）Case II，不计备用效益的 V2G 控制；3）Case III，计及备用效益的 V2G 控制；4）Case IV，按式(3)中约束进行 V2G 控制， 不考虑储能容量约束；5）Case V，以所有电动汽车储能容量和为约束，在 V2G 控制中考虑 固定的容量约束。 3.2 计算结果 考虑时变的储存容量约束，在 Case I-III 的条件下通过模型求解可以得到系统日前调度 计划和各项生产指标。表 1 中数据表明：不计备用效益时，V2G 控制通过平抑负荷和风电 波动，优化常规机组运行点、避免机组额外的启停，提高火力发电效率从而降低系统生产成 本；计及 V2G 备用效益时，系统旋转备用充足，能够吸纳全部的风力发电，系统生产成本 的降低一方面来源于火电机组效率的提高，一方面来源于风电替代火电承担负荷。 生产指标 燃料成本($) 启停成本($) 总成本($) 弃风量(MWh) 火电成本($/MWh) 表 1 不同情形下的生产成本 Tab. 1 Generation cost in different cases Case II 661 891 1 620 663 511 2 856 13.635 Case I 688 531 1 780 690 311 2 756 14.274 Case III 533 247 1 620 534 867 0 11.678 表 2 给出了 Case IV 和 Case V 中发电成本和储能越限情况，图 3 则给出了节点 19 和节 点 1 处聚集体储能变化过程和越限情况。忽略或简化储能容量约束时,尽管可以得到发电成 本“更优”的调度方案，但会因打破储能容量约束而不可行。 - 7 -
    中国科技论文在线 http://www.paper.edu.cn 指标 发电成本($) 越限次数 越限率 越限电量(MWh) 最大电量越限系数 表 2 发电成本和越限分析 Tab. 2 Generation cost and constraint violation analysis Case III 534 867 — — — — Case IV 531 095 37 10.9% 375.5 33.3% Case V 531 266 18 5.29% 123.5 23.7% 245 250 255 260 图 3 储能变化和越限示例 Fig.3 Examples of Storage Dynamic and violation 不考虑电动汽车的备用作用时，也存在着储能越限问题，此处不再详述。在 V2G 控制 中，要计及出行对并网电池容量的改变，考虑时变性的容量约束，以避免储能越限。需特别 指出本文中的模型仅能在聚集体层面对储能越限加以避免，单一的电动车辆储能越限问题尚 待进一步讨论。 3.3 影响储能越限的因素 3.3.1 风电波动性 在 Case IV 中调整参数，分析影响储能越限的因素。如图 4 所示，随风电峰谷差调节系 数的增大，风电出力波动性的增强，越限次数和越限电量均有所上升，储能越限加剧。V2G 控制是平抑负荷、风电波动的重要手段；当风电波动性增加时，系统需要调度更大规模的充 放电功率平抑风电波动，电动汽车储能越限的风险增加。 图 4 风电波动性对储能越限的影响 Fig.4 Influence of wind volatility on storage violation - 8 -
    分享到：
    赞 收藏

    相关推荐

    资料库

    开发技术

    共收录19306份资料，累计14个分类，关注成员有19位，主要包括：Actionscript,Javascript,PHP,VB,Perl,Delphi,Python,C#,C,Java,C++,Web开发,硬件开发,其它

    热门标签

    Actionscript Javascript PHP VB Perl Delphi Python C# C Java C++ Web开发 硬件开发 其它

    最新资料